[개인프로젝트] CLV(Customer Lifetime Value) 예측 - 목표 및 계획

e-commerce 데이터를 이용한 인사이트 도출 연습 및 공부를 목적으로 진행한 프로젝트입니다. 
본 포스팅에서는 프로젝트 1일차에 진행한, '프로젝트 목표 및 계획 수립'에 대한 내용을 담고 있습니다. 

---

프로젝트 목표 

고객이 다음에 얼마를 구매할지 예측할 수 있을까? 

LifeTime Value(LTV)는 현재 유저들의 미래 가치를 예측하여 중장기적인 성과를 측정하기 위한 지표입니다. 

"고객 생애 가치"라고도 불리는 LTV를 근거로 유저 유입 마케팅 예산을 적절히 책정하여 인앱 구매, 인앱 광고, 앱 구독과 같은 수입원의 흐름을 최적화하고 수익성을 유지할 수 있습니다. 

 

데이터 분석가는 직접 지표를 정의하고 분석을 진행하기도 합니다. 

LTV는 중요하게 여겨지는 지표이고 저도 여러 번 들어본 적이 있는데,
직접 계산해본 적은 없는 것 같아 프로젝트 주제로 선정하게 되었습니다.

 

어떻게 계산할 수 있나요? 

본 프로젝트에서는, 다음의 공식을 활용해 LTV를 측정할 예정입니다.

기대 구매 횟수와 기대 구매 금액 모두 과거의 구매 데이터를 기반으로 예측합니다. 

LTV = 기대 구매 횟수 x 기대 구매 금액 

• 기대 구매 횟수: BG/NBD 모델 활용 
• 기대 구매 금액: Gamma-gamma 모델 활용 

 

[ 참고 ] 

LTV 계산 공식에는 여러 가지가 있을 수 있습니다. 이 글에 따르면, LTV는 다음의 4단계로도 구할 수 있습니다.

계산하는 사람의 직무가 무엇인가(마케터인지, 데이터 분석가인지), LTV를 어느 측면에서 바라볼 것인가에 따라서
정의가 달라질 수 있는 것 같습니다. 

 

1. 평균 구매액 산정 – 한동안 평균 구매 데이터를 측정하지 않았다면, 1개월 또는 3개월 기간의 평균 데이터를 1년 평균 데이터 대신 사용하세요.
2. 일정 기간 내 평균 구매 횟수 계산 – 앱 사용 빈도는 LTV를 높이는 주요 요인입니다.
3. 유저 리텐션 측정 – 유저가 앱을 사용한 평균 기간을 파악하세요. 일부 브랜드는 유저 잔존율이 높지만, 대부분은 열악한 유저 경험(UX)이나 치열한 경쟁 환경 때문에 유저의 충성도 유지가 어렵습니다.
4. 계산 – LTV의 공식은 다음과 같습니다.

LTV = 평균 구매액 x 구매 횟수 x 앱 사용 기간
또는 
LTV = 앱 설치 날짜 이후 또는 일정 기간 동안 발생한 총 수익 / 앱 설치 날짜 또는 일정 기간 동안 앱을 설치한 유저의 수

 

LTV를 측정하면 무엇이 좋은가요?

LTV를 통해 가격을 조정하고, 예산을 과도하게 잡는 등의 불필요한 낭비를 줄임으로써 수익성을 높일 수 있습니다. 

또, LTV가 더 높은 유저를 공략하면 리텐션을 높일 수 있습니다(참조).

따라서 본 프로젝트에서는 LTV가 높은 Top 10 user 중심으로 결과를 산출할 예정입니다. 

 

CRM(Customer Relationsip Management)관점의 LTV

LTV는 CRM Analysis에 포함되는 개념이라고도 할 수 있습니다. 

 

* CRM Analysis란?

RFM Analysis, Cohort Analysis, LTV 등이 이 개념에 포함될 수 있습니다. 

 

---

사용할 데이터 

kaggle의 e-commerce 데이터 

E-Commerce Data

 

계획

모델에 활용되는 포아송 분포, 기하 분포, 감마 분포의 이해를 위해 통계 기초 복습을 병행합니다.

• 4/19(수): 프로젝트 목표 설정, 계획 수립 / 통계 기초 복습
• 4/20(목): 데이터전처리 / 통계 기초 복습
• 4/21(금): 데이터전처리 및 간단한 시각화 / 통계 기초 복습
• 4/24(월): 시각화 및 모델링 / 프로젝트 문서 작성 
• 4/25(화): 모델링 / 프로젝트 문서 작성 

공부해야할 내용  

• 통계 기초 - http://infoso.kr/?p=3529 
• LTV에 대해서 - Customer Lifetime Value: Models, Metrics and a Multitude of Uses - Brian Bloniarz

 

---

참고자료

• https://www.kaggle.com/code/sercanyesiloz/crm-analytics
• https://www.intelligencelabs.tech/7430a289-22e5-4967-b3b8-03a8644b189f